Início Projetos awesome-text-to-image-studies
awesome-text-to-image-studies

awesome-text-to-image-studies

por AlonzoLeeeooo · GitHub

Uma coleção de estudos incríveis sobre geração de texto para imagem.

Ver no GitHub
Em palavras simples

Leia resumos de artigos de pesquisa relacionados à geração de imagens a partir de texto, organizados por tópico e ano de publicação.

⭐ Estrelas
🍴 Forks
🔥 Tendências
📜 Licença
Uso comercial permitido
📅 Criado
🔄 Último commit
🏷️ Categoria
💻 Linguagem
Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
awesome-text-to-image-studies — GitHub preview card
📈 Histórico de estrelas
761760
2026-07-202026-07-29
📈 Acompanhe awesome-text-to-image-studies

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Uma coleção de estudos incríveis sobre geração de texto para imagem.

awesome-text-to-image-studies tem 761 estrelas no GitHub. Foi bifurcado 43 vezes. awesome-text-to-image-studies é escrito principalmente em TeX. Está em desenvolvimento ativo desde 2024. awesome-text-to-image-studies está disponível sob a licença MIT. Os seus principais temas são: artificial-intelligence, diffusion-models, text-to-image, text-to-image-ai.

Frequently asked questions

O que é awesome-text-to-image-studies?

Uma coleção de estudos incríveis sobre geração de texto para imagem.

awesome-text-to-image-studies é de código aberto?

awesome-text-to-image-studies é um projeto de código aberto. É distribuído sob a licença MIT.

awesome-text-to-image-studies é gratuito?

Sim. awesome-text-to-image-studies é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Sob que licença está awesome-text-to-image-studies?

awesome-text-to-image-studies está disponível sob a licença MIT.

Em que linguagem awesome-text-to-image-studies está escrito?

awesome-text-to-image-studies é escrito principalmente em TeX.

🏅 Mantenedor deste projeto?
olud.ai badge — awesome-text-to-image-studies

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=alonzoleeeooo-awesome-text-to-image-studies)](https://olud.ai/project/alonzoleeeooo-awesome-text-to-image-studies.html)
Mais opções de badge →
🧬 Partilha ADN com
Attend-and-Excite
Implementação Oficial para "Attend-and-Excite: Orientação Semântica Baseada em Atenção para Mod…
770 · diffusion-models
partilhatext-to-imagediffusion-models
e4t-diffusion
Implementação de Ajuste de Domínio Baseado em Encoder para Personalização Rápida de Modelos de…
324 · deep-learning
partilhatext-to-imagediffusion-models
MACE
[CVPR 2024] "MACE: Mass Concept Erasure in Diffusion Models" (Implementação Oficial)
394 · diffusion-models
partilhatext-to-imagediffusion-models
flux-krea
Repositório oficial do GitHub para FLUX.1 Krea [dev].
364 · diffusion-models
partilhatext-to-imagediffusion-models
AlignProp
AlignProp usa retropropagação de recompensa direta para o alinhamento de modelos de difusão de…
324 · alignment
partilhatext-to-imagediffusion-models
text2room
Text2Room gera malhas 3D texturizadas a partir de um prompt de texto dado usando modelos 2D de…
1.1k · 3d-generation
partilhatext-to-imagediffusion-models
HunyuanImage-2.1
HunyuanImage-2.1: Um Modelo de Difusão Eficiente para Geração de Imagens de Texto para Imagem e…
673 · aigc
partilhatext-to-imagediffusion-models
MinImagen
MinImagen: Uma implementação mínima do modelo de texto-para-imagem Imagen
313 · deep-learning
partilhatext-to-imagediffusion-models
cross-image-attention
Implementação Oficial para "Atenção entre Imagens para Transferência de Aparência Zero-Shot"
404 · appearance-transfer
partilhatext-to-imagediffusion-models
stable-diffusion-aesthetic-gradients
Personalização para Stable Diffusion via Gradientes Estéticos 🎨
741 · diffusion-models
partilhatext-to-imagediffusion-models

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.